В условиях увеличения транспортной нагрузки и ограниченной пропускной способности улично-дорожной сети традиционные методы управления светофорами становятся неэффективными, особенно в городах с ограниченными ресурсами. Проблема усугубляется необходимостью строгого соблюдения нормативных требований, регламентирующих параметры работы светофорных объектов. Целью данного исследования является разработка и реализация математической модели адаптивного управления светофорным регулированием, обеспечивающей оптимизацию параметров циклов с учетом интенсивности транспортных и пешеходных потоков, а также требований безопасности и приоритета общественного транспорта. В работе использован метод генетических алгоритмов, позволяющий обрабатывать многомерное пространство допустимых решений. Разработанная модель учитывает длительность циклов, параметры фаз по направлениям движения, временные смещения для координации между перекрестками и ограничения, определенные нормативными документами. В результате проведенных численных экспериментов определены такие конфигурации светофорных программ, которые позволяют существенно сократить совокупные задержки транспортных средств и повысить пропускную способность сети без нарушения требований безопасности. Также проанализирована эффективность алгоритма в части учета приоритета общественного транспорта и возможности реализации «зеленой волны». Предложенное решение обеспечивает нормативную корректность, адаптивность к текущей дорожной ситуации и может быть масштабировано для применения в транспортных системах различных городов.
Under increasing traffic loads and limited capacity of urban road networks, traditional traffic signal control methods become inefficient, especially in cities with constrained infrastructure. The problem is aggravated by the necessity to strictly comply with regulatory requirements governing traffic signal parameters. The aim of this study is to develop and implement a mathematical model for adaptive traffic signal control that optimizes signal cycle parameters while considering the intensity of vehicular and pedestrian flows, safety requirements, and public transport priority. The study employs a genetic algorithm approach capable of handling a multidimensional space of permissible solutions. The developed model incorporates cycle duration, phase parameters for different directions, time offsets for intersection coordination, and constraints defined by regulatory documents. As a result of numerical experiments, configurations were identified that significantly reduce overall vehicle delays and increase network throughput without compromising safety standards. The algorithm’s effectiveness in accounting for public transport priority and implementing a “green wave” was also analyzed. The proposed solution ensures regulatory compliance, adaptability to current traffic conditions, and scalability for application in transportation systems of various cities.
1. Borzenkov A., Ostroukh A., Pronin C., Podberezkin A., Kuftinova N. Multi-Criteria Analysis of Genetic Algorithm Applications in Transportation Logistics. 2024. DOI: 10.1109/TIRVED63561.2024.10769798.
2. Ostroukh A., Kuftinova N., Borzenkov A., Podberezkin A., Ostroukh I. Research on Using Deep Learning for Transport Demand Prediction. 2024. DOI: 10.1109/TIRVED63561.2024.10769599.
3. Kuftinova N., Ostroukh A., Maksimychev O., Podberezkin A., Volkov A. Large Language Model in Suburban Transport Data Management. 2024. DOI: 10.1109/IEEECONF60226.2024.10496733.
4. Mansurova M. et al. Multi-level intelligent control system for inter-vehicle communication between smart traffic lights with computer vision and autonomous electric vehicles. In 2024 International Symposium on Sensing and Instrumentation in 5G and IoT Era (ISSI), Lagoa, Portugal. DOI: 10.1109/ISSI63632.2024.10720507 (2024).
5. Genders W., Razavi S. Evaluating reinforcement learning state representations for adaptive traffic signal control // Procedia Computer Science. 2018. Vol. 130. P. 26–33. DOI: 10.1016/ j.procs.2018.04.008.
6. Aslani M., Mesgari S., Wiering M. Adaptive traffic signal control with actor-critic methods in a real-world traffic network with different traffic disruption events // Transportation Research Part C Emerging Technologies. 2017. Vol. 85. P. 732–752. DOI: 10.1016/ j.trc.2017.09.020.
7. Zhang Zeyu, Zhu Han, Zhang Wei, Cai Zhiming, Zhu Linkai, Li Zefeng. Multi-Objective Optimization of Traffic Signal Timing at Typical Junctions Based on Genetic Algorithms // Computer Systems Science and Engineering. 2023. Vol. 47. P. 1901–1917. DOI: 10.32604/csse.2023.039395.
8. Liao Xiao-Cheng, Mei Yi, Zhang Mengjie. Learning Traffic Signal Control via Genetic Programming // In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO’24). P. 924–932. DOI: 10.1145/3638529.3654037.
9. Hai D.T., Manh D.V., Nhat N.M. Genetic Algorithm Application for Optimizing Traffic Signal Timing Reflecting Vehicle Emission Intensity // Transport Problems. 2022. Vol. 17, Is. 1. P. 15–27. DOI: 10.20858/tp.2022.17.1.01.
10. Li Li, Yisheng Lv. Traffic signal timing via deep reinforcement learning // IEEE/CAA Journal of Automatica Sinica. 2016. Vol. 3. P. 247–254. DOI: 10.1109/ JAS.2016.7508798.
11. Tan Min Keng, Chai Shun, Chuo Helen, Lim Kit Guan, Goh Hui Hwang, Teo Kenneth. Adaptive Traffic Signal Control using Genetic Algorithm for a 2×2 Traffic Network. 2024. P. 488–493. DOI: 10.1109/IICAIET62352.2024.10730292.
12. Mohamed Mohamed, Essawy Yasmeen, Hosny Ossama. Traffic Signal Optimization Using Genetic Algorithms. 2024. DOI: 10.1007/978-3-031-60419-5_8.
13. Sankaranarayanan Manipriya, Yerramsetty Sudhasree, Kakkera Santosh, Kumar Nitant. Adaptive Genetic Algorithm for Reducing Average Waiting Time for Road Traffic Signals. 2024. DOI: 10.1109/ICITIIT61487.2024.10580688.
14. Akopov Andranik, Zaripov Evgeny, Melnikov Alexey. Adaptive control of transportation infrastructure in an urban environment using a real-coded genetic algorithm. Business Informatics. 2024. Vol. 18. P. 48–66. DOI: 10.17323/2587814X.2024.2.48.66.
15. Stevanovic Aleksandar & Martin Peter, Stevanovic Jelka. VisSim-Based Genetic Algorithm Optimization of Signal Timings. Transportation Research Record. 2035. 2007. P. 59–68. DOI: 10.3141/2035-07.
16. Wang Ping, Yang Qun. Genetic Algorithms Based Traffic Signal Optimization at a Congested Intersection // Applied Mechanics and Materials. 2012. Vol. 209–211. P. 814817. DOI: 10.4028/www.scientific.net/AMM.209-211.814.
17. Turky Ayad, Ahmad Mohd, Yusoff Mohd, Hammad Baraa. Using Genetic Algorithm for Traffic Light Control System with a Pedestrian Crossing. 2009. № 5589. P. 512–519. DOI: 10.1007/978-3-642-02962-2_65.